ବିଜ୍ଞାନ ଆବିଷ୍କାର ପାଇଁ AI ବିକାଶ କରିବାକୁ ଷ୍ଟାର୍ଟଅପ୍ ଏକ ନୂତନ କ ick ଶଳ ଚେଷ୍ଟା କରୁଛି |
ବିଜ୍ଞାନ ଆବିଷ୍କାର ପାଇଁ AI ବିକାଶ କରିବାକୁ ଷ୍ଟାର୍ଟଅପ୍ ଏକ ନୂତନ କ ick ଶଳ ଚେଷ୍ଟା କରୁଛି |
ବିଜ୍ଞାନ ଆବିଷ୍କାର ପାଇଁ କୃତ୍ରିମ ବୁଦ୍ଧିମତା ବିକାଶ ଟେକ୍ ଜଏଣ୍ଟମାନଙ୍କ ପାଇଁ ଏକ ସ୍ମରଣୀୟ ଲକ୍ଷ୍ୟ ହୋଇପାରିଛି | ମେଡିସିନ୍, ଜ ology ବ ବିଜ୍ଞାନ ଏବଂ ପଦାର୍ଥ ବିଜ୍ଞାନରେ AI ସଫଳତାର ପ୍ରତିଶୃତି ଦେଇ ଓପନଏ ଏବଂ ଆନ୍ଥ୍ରୋପିକ୍ ପରି କମ୍ପାନୀଗୁଡିକ ଦଶହଜାର କୋଟି ଅର୍ଥ ପ୍ରଦାନ କରିଛନ୍ତି। ତଥାପି, ପ୍ରକୃତ AI- ଚାଳିତ ବ scientific ଜ୍ scientific ାନିକ ଆବିଷ୍କାର ଅବହେଳିତ, ଯେପରି ଅତୀତର ଘଟଣାଗୁଡ଼ିକ ଦ୍ୱାରା ପ୍ରଦର୍ଶିତ ହୋଇଥିବା ChatGPT ଦ୍ୱାରା ନିର୍ମିତ ଗଣିତ ଖୋଜ | ବିଶେଷଜ୍ଞଙ୍କ ଅନୁଯାୟୀ ମୂଳ ଆହ୍ is ାନ ହେଉଛି ଯେ ବର୍ତ୍ତମାନର ବୃହତ ଭାଷା ମଡେଲଗୁଡିକ (LLM) ସ୍ aut ତ onom ସ୍ପୃତ ଭାବରେ ଉପନ୍ୟାସ ବ scientific ଜ୍ଞାନିକ ଜ୍ଞାନ ସୃଷ୍ଟି କରିବାର ଅନ୍ତର୍ନିହିତ ସାମର୍ଥ୍ୟର ଅଭାବ |
ବ Big ଜ୍ଞାନିକ ଆବିଷ୍କାର ସହିତ ବିଗ୍ ଏଇ ଲ୍ୟାବ୍ କାହିଁକି ସଂଘର୍ଷ କରୁଛନ୍ତି?
ମାର୍କସ୍ ବୁହୁଲର୍, ଜଣେ MIT ଇଞ୍ଜିନିୟରିଂ ପ୍ରଫେସର, ଆଜିର ଉନ୍ନତ AI ରେ ଏକ ମ fundamental ଳିକ ସୀମା ଚିହ୍ନଟ କରିଛନ୍ତି | ସେ ଯୁକ୍ତି କରିଛନ୍ତି ଯେ ଓପନଏ ଏବଂ ଆନ୍ଥ୍ରୋପିକରୁ ମଡେଲ ପାୱାର୍ ସିଷ୍ଟମଗୁଡିକ ପ୍ରକୃତ ଆବିଷ୍କାର ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇ ନାହିଁ | ସେମାନଙ୍କର ସ୍ଥାପତ୍ୟ ନୂତନ ତଥ୍ୟ କିମ୍ବା ଅନୁମାନ ସୃଷ୍ଟି ଉପରେ ନୁହେଁ, ବିଦ୍ୟମାନ ତଥ୍ୟରୁ ପ୍ୟାଟର୍ ସ୍ୱୀକୃତି ଉପରେ ଆଧାରିତ |
ଗତ ପହିଲାରେ ଏହା ଦୃ ly ଭାବରେ ଚିତ୍ରିତ ହୋଇଥିଲା ଯେତେବେଳେ ଚାଟ୍ ଜିପିଟି ଦ୍ୱାରା ଏକ ଗଣିତ ଆବିଷ୍କାର ଶୀଘ୍ର ଡେବ୍ୟୁ କରାଯାଇଥିଲା | ଏପିସୋଡ୍ AI ର ବିଶ୍ଳେଷଣାତ୍ମକ ଶକ୍ତି ଏବଂ ଏହାର ସୃଜନଶୀଳ, ଆବିଷ୍କାର-ଆଧାରିତ ଚିନ୍ତାଧାରା ମଧ୍ୟରେ ବ୍ୟବଧାନକୁ ଆଲୋକିତ କଲା | ଏହା ଅନ୍ୟାନ୍ୟ AI ପ୍ରୟାସକୁ ମନେ ପକାଇଥାଏ ଯେଉଁଠାରେ ଟେକ୍ନୋଲୋଜି ମ original ଳିକତା ସହିତ ସଂଘର୍ଷ କରେ, ପ୍ରକୃତ ସୃଜନଶୀଳତା ଅଭାବରୁ AI ‘ଅଭିନେତା’ ଟିଲି ନରଉଡ୍ ସମ୍ମୁଖୀନ ହୋଇଥିବା ସମାଲୋଚନା ପରି |
ସାମ୍ପ୍ରତିକ AI ମଡେଲଗୁଡିକ ସହିତ ମୂଳ ସମସ୍ୟା |
ସୂଚନା ପ୍ରକ୍ରିୟାକରଣ ଏବଂ ପୁନର୍ଗଠନ କରିବାରେ ବଡ଼ ଭାଷା ମଡେଲଗୁଡିକ ଉତ୍କୃଷ୍ଟ | ସେମାନେ ପାଠ୍ୟକୁ ସଂକ୍ଷିପ୍ତ କରିପାରିବେ, ପ୍ରଶ୍ନର ଉତ୍ତର ଦେଇପାରିବେ, ଏବଂ ଏପରିକି ସେମାନଙ୍କ ତାଲିମ ତଥ୍ୟ ଉପରେ ଆଧାର କରି କୋଡ୍ ଲେଖିପାରିବେ | ତଥାପି, ସେମାନେ ଯାହା ଶିଖିଛନ୍ତି ତାହାର ସୀମା ମଧ୍ୟରେ କାର୍ଯ୍ୟ କରନ୍ତି |
ବ nature ଜ୍ଞାନିକ ଆବିଷ୍କାର, ଏହାର ପ୍ରକୃତି ଅନୁଯାୟୀ, ଅଜ୍ଞାତରେ ପାଦ ଦେବା ଆବଶ୍ୟକ କରେ | ଏଥିରେ ଭିନ୍ନ କ୍ଷେତ୍ର ମଧ୍ୟରେ ନୂତନ ସଂଯୋଗ ଗଠନ ଏବଂ କ ideas ଣସି ତାଲିମ ଡାଟାସେଟରେ ଉପସ୍ଥିତ ନଥିବା ଧାରଣା ପ୍ରସ୍ତାବ ଅନ୍ତର୍ଭୁକ୍ତ | ଏହା ଏକ ଲମ୍ଫ ଯାହା ବିଷୟବସ୍ତୁ ସୃଷ୍ଟି ଏବଂ ସ୍ୱୟଂଚାଳିତ ଉପରେ ଧ୍ୟାନ ଦେଇ ସାମ୍ପ୍ରତିକ ଜେନେରେଟିଭ୍ AI ତିଆରି କରିବାକୁ ନିର୍ମିତ ନୁହେଁ | ୱାର୍ଡପ୍ରେସ୍ ଗୁଟେନ୍ବର୍ଗ ଅପଡେଟ୍ ଭଳି AI ପ୍ରକାଶନ ପାଇଁ ଭିତ୍ତିପ୍ରସ୍ତର ସ୍ଥାପନ ଭଳି ଶିଳ୍ପ ସହିତ ବିକାଶ ହେଉଛି, କିନ୍ତୁ ଆବିଷ୍କାର ପାଇଁ ମୂଳ ଚ୍ୟାଲେଞ୍ଜ ରହିଯାଇଛି |
ଅଯ ason କ୍ତିକ ଲ୍ୟାବଗୁଡିକର ପରିଚୟ: ବିଜ୍ଞାନ ପାଇଁ AI ପାଇଁ ଏକ ନୂତନ ଉପାୟ |
ଏହି ବ୍ୟବଧାନକୁ ଦୂର କରିବା ପାଇଁ ପ୍ରଫେସର ବୁହୁଲର୍ ଗୁଗୁଲ୍ ଡିପ୍ ମାଇଣ୍ଡର ପୂର୍ବତନ ବରିଷ୍ଠ କର୍ମଚାରୀ ଅନୁସନ୍ଧାନ ବ scientist ଜ୍ଞାନିକ ୟୁଆନ୍ କାଓଙ୍କ ସହ ଅଯ ason କ୍ତିକ ଲ୍ୟାବ୍ର ସହ-ପ୍ରତିଷ୍ଠା କରିଥିଲେ। ବ scientific ଜ୍ଞାନିକ ଆବିଷ୍କାର ପାଇଁ AI ବିକାଶ ପାଇଁ ଏକ ମ different ଳିକ ଭିନ୍ନ ଆଭିମୁଖ୍ୟକୁ ଅଗ୍ରଗତି କରିବାକୁ ଷ୍ଟାର୍ଟଅପ୍ ଲକ୍ଷ୍ୟ ରଖିଛି | କେବଳ ବୃହତ ତଥ୍ୟ ଗ୍ରହଣ ଉପରେ ନିର୍ଭର କରିବା ପରିବର୍ତ୍ତେ, ସେମାନେ ଆନ୍ତ inter ଜ୍ଞାନିକ ଯୁକ୍ତିଯୁକ୍ତ ସକ୍ଷମ ସିଷ୍ଟମ ଗଠନ କରୁଛନ୍ତି |
ଅଯ ason କ୍ତିକ ଲ୍ୟାବଗୁଡିକ ପ୍ଲେଗ୍ରାଉଣ୍ଡ ଗ୍ଲୋବାଲ ଦ୍ୱାରା ପରିଚାଳିତ ଏକ ପାଣ୍ଠି ରାଉଣ୍ଡରେ 13.5 ମିଲିୟନ ଡଲାର ସୁରକ୍ଷିତ କରିଛି | ଏହି ରାଉଣ୍ଡରେ AIX ଭେଞ୍ଚର୍ସ, E14 ପାଣ୍ଠି, ଏବଂ MS&AD ଭେଞ୍ଚର୍ସ ଅଂଶଗ୍ରହଣ କରିଥିଲେ | ଏହି ମହତ୍ investment ପୂର୍ଣ ବିନିଯୋଗ ସେମାନଙ୍କର ଉପନ୍ୟାସ ପ୍ରଣାଳୀରେ ବଜାରର ବିଶ୍ belief ାସକୁ ସୂଚିତ କରେ |
ବିଜ୍ଞାନ ଇତିହାସରେ "ଆହା" ମୁହୂର୍ତ୍ତରୁ ଶିଖିବା |
ବୁହୁଲର୍ଙ୍କ ଅନୁମାନ ହେଉଛି ଯେ “ଆହା” ମୁହୂର୍ତ୍ତରୁ ଅନେକ ବଡ଼ ଆବିଷ୍କାର | ଏଗୁଡ଼ିକ ହେଉଛି ଏକ ଉଦାହରଣ ଯେଉଁଠାରେ ଜଣେ ବ scientist ଜ୍ଞାନିକ ସମ୍ପୂର୍ଣ୍ଣ ଭିନ୍ନ ଡୋମେନରେ ଏକ ସମସ୍ୟାର ସମାଧାନ ପାଇଁ ଗୋଟିଏ କ୍ଷେତ୍ରରୁ ଏକ ସିଦ୍ଧାନ୍ତ କିମ୍ବା ଧାରଣା ପ୍ରୟୋଗ କରନ୍ତି | ଚିନ୍ତାଧାରାର ଏହି କ୍ରସ୍-ପଲିଥିନ୍ ସଫଳତା ପାଇଁ ଚାବିକାଠି |
1982 ରେ ଜନ୍ ହପଫିଲ୍ଡଙ୍କ କାର୍ଯ୍ୟ ହେଉଛି ଏକ କ୍ଲାସିକ୍ ଉଦାହରଣ | ସେ ଘନୀଭୂତ ପଦାର୍ଥ ପଦାର୍ଥ ବିଜ୍ଞାନରୁ କୃତ୍ରିମ ବୁଦ୍ଧିର ତତ୍କାଳୀନ କ୍ଷେତ୍ର ପର୍ଯ୍ୟନ୍ତ ଧାରଣା ପ୍ରୟୋଗ କରିଥିଲେ | ଏହା ହପଫିଲ୍ଡ ନେଟୱାର୍କର ବିକାଶକୁ ଆଗେଇ ନେଇଥିଲା, ଏକ ପ୍ରକାର ସ୍ନାୟୁ ନେଟୱାର୍କ ସ୍ମୃତି ଶିଖିବା ଏବଂ ମନେରଖିବାରେ ସକ୍ଷମ | ଏହା ଏକ ବ revolutionary ପ୍ଳବିକ ଧାରଣା ଥିଲା ଯାହା ଅବିଭକ୍ତ ଶୃଙ୍ଖଳାକୁ ସଂଯୋଗ କରିବା ଦ୍ୱାରା ଜନ୍ମ ହୋଇଥିଲା |
ଅଯ ason କ୍ତିକ ଲ୍ୟାବଗୁଡିକର AI ମେନ୍ଷ୍ଟ୍ରିମ୍ ମଡେଲଗୁଡିକ ଠାରୁ କିପରି ଭିନ୍ନ |
ଅଯ ason କ୍ତିକ ଲ୍ୟାବରେ ବିକଶିତ ହେଉଥିବା AI ଆନ୍ତ d ବିଭାଗୀୟ ଜ୍ଞାନ ପାଇଁ ଏହି ମାନବ କ୍ଷମତାକୁ ଅନୁକରଣ କରିବା ପାଇଁ ଡିଜାଇନ୍ କରାଯାଇଛି | ସେମାନଙ୍କର ଲକ୍ଷ୍ୟ ଏକ ବଡ଼ ଭାଷା ମଡେଲ ସୃଷ୍ଟି କରିବା ନୁହେଁ ବରଂ ଏକ ସିଷ୍ଟମ ଗଠନ କରିବା ଯାହା ବ scientific ଜ୍ଞାନିକ ଡୋମେନଗୁଡିକରେ ଯୁକ୍ତି କରିପାରେ |
ଆନ୍ତ d ବିଭାଗୀୟ ଜ୍ଞାନ ଗ୍ରାଫ୍: କେବଳ ପାଠ୍ୟ ଉପରେ ତାଲିମ ଦେବା ପରିବର୍ତ୍ତେ, ସେମାନଙ୍କର AI ଏକାଧିକ ବ scientific ଜ୍ଞାନିକ କ୍ଷେତ୍ରରୁ ଜୀବ ବିଜ୍ଞାନରୁ ପଦାର୍ଥ ବିଜ୍ଞାନ ପର୍ଯ୍ୟନ୍ତ ସଂରଚନା ଜ୍ଞାନକୁ ଏକତ୍ର କରିଥାଏ | ଅନୁରୂପ ଯୁକ୍ତିଯୁକ୍ତ ଇଞ୍ଜିନଗୁଡିକ: ମୂଳ ପ୍ରଯୁକ୍ତିବିଦ୍ୟା ବ scientific ଜ୍ଞାନିକ ନବସୃଜନର ଏକ ପ୍ରମୁଖ ଡ୍ରାଇଭର ଭଳି ଦେଖାଯାଉଥିବା ସମ୍ପର୍କ ନଥିବା ଧାରଣା ମଧ୍ୟରେ ସମାନତା ଏବଂ ସମାନତା ଖୋଜିବା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ | ହାଇପୋଥେସିସ୍ ଜେନେରେସନ୍: କେବଳ ବିଦ୍ୟମାନ ତଥ୍ୟକୁ ବିଶ୍ଳେଷଣ ନକରି ପରୀକ୍ଷଣ ଯୋଗ୍ୟ ବ scientific ଜ୍ଞାନିକ ଅନୁମାନ ପ୍ରସ୍ତାବ ଦେବା ପାଇଁ ସିଷ୍ଟମ୍ ଡିଜାଇନ୍ କରାଯାଇଛି |
ଏହି ପଦ୍ଧତି ବୃହତ ଅଧିଗ୍ରହଣ ରଣନୀତିରୁ ଏକ ମହତ୍ departure ପୂର୍ଣ୍ଣ ବିଦାୟକୁ ପ୍ରତିନିଧିତ୍ୱ କରେ |ବ tech ଷୟିକ ସଂସ୍ଥାଗୁଡ଼ିକ, ଯେପରିକି ଏଇ ଷ୍ଟାର୍ଟଅପ୍ ଫରୱାର୍ଡ଼ର ଜେଣ୍ଡେସ୍କ ଅଧିଗ୍ରହଣ, ଯାହାକି ନୂତନ ଆବିଷ୍କାରର ଅଗ୍ରଗତି କରିବା ପରିବର୍ତ୍ତେ ବିଦ୍ୟମାନ ଗ୍ରାହକ ସେବା ପ୍ରୟୋଗଗୁଡ଼ିକୁ ବିଶୋଧନ କରିବା ଉପରେ ଧ୍ୟାନ ଦେଇଥାଏ |
AI- ଚାଳିତ ଆବିଷ୍କାରର ଭବିଷ୍ୟତ |
ଯଦି ସଫଳ ହୁଏ, ଅଯ ason କ୍ତିକ ଲ୍ୟାବ୍ର ଟେକ୍ନୋଲୋଜି ଜଟିଳ କ୍ଷେତ୍ରରେ ଗବେଷଣାକୁ ତ୍ୱରାନ୍ୱିତ କରିପାରେ | ଏକ AI କଳ୍ପନା କରନ୍ତୁ ଯାହା ରସାୟନ ବିଜ୍ଞାନ ଏବଂ ଜେନେଟିକ୍ସର ନୀତିଗୁଡିକୁ ମିଶ୍ରଣ କରି ଏକ ନୂତନ drug ଷଧ ଯ ound ଗିକକୁ ପରାମର୍ଶ ଦେଇପାରେ | କିମ୍ବା ଏକ ମଡେଲ୍ ଯାହା ନାନୋଟେକ୍ନୋଲୋଜି ଏବଂ ଥର୍ମୋଡାଇନାମିକ୍ସରୁ ଧାରଣାକୁ ସଂଯୋଗ କରି ସ୍ଥାୟୀ ଶକ୍ତି ପାଇଁ ଏକ ନୂତନ ପଦାର୍ଥ ପ୍ରସ୍ତାବ କରେ |
ଡାକ୍ତରୀ ଅନୁସନ୍ଧାନକୁ ତ୍ୱରାନ୍ୱିତ କରିବା ଠାରୁ ଆରମ୍ଭ କରି ଜଟିଳ ପରିବେଶ ଆହ୍ .ାନର ସମାଧାନ ପର୍ଯ୍ୟନ୍ତ ସମ୍ଭାବ୍ୟ ପ୍ରୟୋଗଗୁଡ଼ିକ ବିସ୍ତୃତ | ଏହା AI ପାଇଁ ପରବର୍ତ୍ତୀ ସୀମାକୁ ପ୍ରତିପାଦିତ କରେ, ମାନବ ଚତୁରତାର ପ୍ରକୃତ ଅଂଶୀଦାର ହେବାକୁ ସ୍ୱୟଂଚାଳିତତା ଅତିକ୍ରମ କରି |
ସିଦ୍ଧାନ୍ତ: AI ଅଭିନୟର ପରବର୍ତ୍ତୀ ତରଙ୍ଗ |
ବିଜ୍ଞାନ ଆବିଷ୍କାର ପାଇଁ AI ବିକଶିତ କରିବାର ଦ race ଡ଼ ଗରମ ହେଉଛି, କିନ୍ତୁ ପ୍ରକୃତ ସଫଳତା ଅଯ ason କ୍ତିକ ଲ୍ୟାବ ପରି ବିଶେଷ ଷ୍ଟାର୍ଟଅପ୍ ସହିତ ରହିପାରେ | ଆନ୍ତ d ବିଭାଗୀୟ ଯୁକ୍ତି ଉପରେ ସେମାନଙ୍କର ଧ୍ୟାନ ସାମ୍ପ୍ରତିକ ବୃହତ ଭାଷା ମଡେଲଗୁଡିକର ସୀମା ବାହାରେ ଏକ ପ୍ରତିଜ୍ଞାକାରୀ ପଥ ପ୍ରଦାନ କରେ | ଏକ AI ସୃଷ୍ଟି କରିବାର ଯାତ୍ରା ଯାହା ପ୍ରକୃତରେ ଆବିଷ୍କାର କରିପାରିବ |
AI ଏବଂ ଟେକ୍ନୋଲୋଜିର ଅତ୍ୟାଧୁନିକ ଉଦ୍ଭାବନ ଉପରେ ଅଦ୍ୟତନ ରୁହ | ଅଧିକ ବୁ ights ାମଣା ପାଇଁ ଏବଂ ଏହି ଆର୍ଟିକିଲ୍କୁ ସହଜରେ ଅଂଶୀଦାର କରିବାକୁ, ତୁମର ପ୍ରିୟ ବିଷୟବସ୍ତୁକୁ କ୍ୟୁରେଟ୍ କରିବାକୁ Seemless ରେ ତୁମର ମାଗଣା ଲିଙ୍କ୍-ଇନ୍-ପେଜ୍ ସୃଷ୍ଟି କର |
